光也能“思考”？新型芯片让摄像头秒变AI大脑

你有没有想过，为什么人眼看到一朵花，几乎瞬间就能认出它是什么品种，而现在的智能摄像头却要先把图像传给处理器、再调用AI模型、最后才能给出结果？这个过程中，大量时间和电能都浪费在了数据搬运上。

南京大学胡泽华、邹宁睦团队与南京邮电大学高丽教授合作，在《自然·通讯》（Nature Communications）发表了一项突破性研究：他们打造了一种能直接“思考”的光电芯片——无需把光信号转成电信号再送去计算，而是让每个像素自己完成感知、加权和累加，像人脑神经元一样工作。

这项技术的核心，是一种集成在微腔中的二硫化钼（MoS₂）光电探测器阵列。听起来很专业？其实可以这样理解：传统摄像头就像一个只会拍照的“眼睛”，拍完还得把照片交给“大脑”（处理器）去分析；而他们的新芯片，是把“眼睛”和“大脑”合二为一，边看边想。

仿生灵感：昆虫如何一眼认出花朵？

研究团队从蜜蜂采蜜中获得启发。蜜蜂飞在空中时，靠颜色差异快速锁定远处的花朵；靠近后，又结合形状、纹理等细节精准识别。这种光谱感知与时序积分紧密结合的能力，正是生物视觉高效节能的关键。

受此启发，他们设计了一种波长编码的类脑推理架构。简单说，就是把神经网络的“权重”信息，不是存在内存里，而是直接“刻”进光的颜色里。

怎么做到的？他们在每个MoS₂光电探测器上构建了一个法布里—珀罗微腔（一种光学谐振腔）。通过精密调控腔体厚度，可以让每个像素只对特定波长的光敏感——比如红光进来产生强电流，蓝光则反应微弱。这样，不同颜色的光天然就带上了不同的“权重”。

更妙的是，MoS₂材料本身具有有限的载流子寿命。这意味着，当光脉冲照射时，产生的电荷不会立刻消失，而是会短暂“记住”之前的信号，并与后续信号叠加。这就像神经元接收多个输入后累积放电一样，天然实现了“乘加运算”（Multiply-Accumulate）——而这正是深度学习中最核心的操作。

整个过程无需外部存储器，也无需将数据传到远处计算，真正做到了感算一体、原位推理。

实测性能：准确率媲美传统AI，能耗却低得多

研究人员在三个经典数据集上测试了这套系统：

• MNIST手写数字识别
  准确率达 99.6%

• CIFAR-10彩色图像分类
  准确率达 94.8%

• Free Spoken Digit Dataset（语音转光信号）
  准确率达 94.0%

这些成绩已经非常接近传统电子AI模型的表现，但关键在于——所有计算都在光域完成，几乎不产生数据搬运开销。

为了进一步提升实用性，团队还提出了一种光学Hessian剪枝方法。在模型训练完成后，自动剔除对输出影响小的光学通道，既降低了系统复杂度，又增强了抗噪声能力，让芯片更紧凑、更鲁棒。

（示意图：微腔结构赋予像素波长选择性，MoS₂实现时序累积，仿生实现感算融合）

未来已来：让摄像头拥有“直觉”

这项研究的意义远不止于实验室。想象一下：

• 自动驾驶汽车
  的摄像头能在纳秒级时间内识别红绿灯或行人，无需等待云端响应；

• 手机摄像头
  拍摄时直接完成美颜、HDR或物体分割，省电又提速；

• 工业质检设备
  在产线上实时判断产品缺陷，延迟趋近于零。

更重要的是，这种波长感知的片上神经形态推理架构，为下一代光学神经网络提供了可扩展的新路径。相比依赖干涉仪或相位控制的传统光计算方案，它结构简单、稳定性高，更容易集成到现有半导体工艺中。

当然，目前系统仍需用不同波长的光来编码输入特征，离完全替代电子AI还有距离。但正如论文所展示的，当“光”学会“思考”，智能硬件的能耗墙或许将迎来一次真正的突破。

那么问题来了：如果未来的摄像头都能自己“看懂”世界，我们还需要那么多后台服务器吗？

📚 参考文献

Xiang Chen, Kangjian Di, Fuhao Yu, Jiashu Li, Lixiang Sun, Shengdi Chen, et al. Wavelength-encoded neuromorphic inference enabled by microcavity MoS₂ photodetector arrays. Nat. Commun., 2026. DOI: https://doi.org/10.1038/s41467-026-75808-w.

觉得有用？点个赞和在看再走吧